面向低空无人机通信中动态近远场信道估计的位置感知混合深度学习框架
信息论
2025-10-24 v1 math.IT
摘要
在低空无人机通信中，由于空地链路的动态特性，加上高节点移动性和大规模天线阵列的使用，引入了混合的近场和远场传播条件，使得精确的信道估计仍然充满挑战。虽然传统的估计方法依赖于远场假设，但它们无法捕捉近场场景中复杂的信道变化，并且忽略了有价值的几何先验信息，例如实时收发器位置。为了克服这些限制，本文提出了一种基于位置感知混合深度学习架构的统一信道估计框架。该模型协同结合了用于空间特征提取的卷积神经网络（CNN）、用于建模时间演化的双向长短期记忆网络（BiLSTM）以及用于增强对判别性信道组件关注度的多头自注意力机制。此外，实时发射器和接收器位置作为几何先验信息被嵌入，提高了在近场球面波前下对距离的敏感性，并增强了模型的泛化能力。大量仿真验证了所提方法的有效性，表明其显著优于现有基准，平均归一化均方误差（NMSE）至少降低了30.25%。
引用
@article{arxiv.2510.20277,
title = {A Location-Aware Hybrid Deep Learning Framework for Dynamic Near-Far Field Channel Estimation in Low-Altitude UAV Communications},
author = {Wenli Yuan and Kan Yu and Xiaowu Liu and Kaixuan Li and Qixun Zhang and Zhiyong Feng},
journal= {arXiv preprint arXiv:2510.20277},
year = {2025}
}